森林會自己留下聲音證詞嗎：Indigenous-led bioacoustic AI 如何改寫物種監測

過去生態監測最常見的姿態，是拿著望遠鏡、相機陷阱或樣線表格，在林地裡努力把生物「看見」。這些方法至今仍然重要，但它們也有侷限：很多物種難以肉眼辨識，有些在夜間活躍，有些只短暫出現，有些則對人類靠近極度敏感。於是聲音成為另一條路。鳥鳴、蛙聲、昆蟲振翅、哺乳類叫聲，甚至風與雨對森林聲場的改變，都可能是監測線索。問題在於，當 AI 開始介入這個領域，我們究竟是在幫森林找到更好的聽眾，還是在用新的技術方式把地方知識再度邊緣化？

聲景不是背景噪音，而是生態系的另一張地圖

聲景生態學最迷人的地方，在於它把「聽」提升到和「看」同等重要的位置。不同物種佔據不同聲音頻帶，不同時段會有不同群落組成，環境受擾動後，聲音結構也可能改變。換句話說，聲景不只是好不好聽，而是一張活的生態地圖。

這張地圖對 AI 特別有吸引力，因為聲音可以被長時間、低成本地記錄，並由模型協助分類、過濾與標記事件。從創業與產品角度來看，這幾乎是夢幻題材：資料可以連續蒐集、模型能逐步優化、邊緣裝置可布設到偏遠地區，還能生成儀表板與警示功能。聽起來非常美好，直到你意識到一個關鍵問題：模型到底是根據誰的耳朵被訓練的？

Indigenous-led 的關鍵，不在「參與」，而在主導分類與問題設定

很多科技計畫口頭上都願意說要讓原住民族參與，但真正的權力差異往往藏在問題設定與分類標準裡。聲景 AI 也是如此。若資料標註詞典、保育優先順序與監測區位，全部由外部研究單位決定，地方社群最後即使參與佈站與收音，也容易淪為執行端。那不叫雙向知識，只叫更禮貌的資料擷取。

所謂 Indigenous-led bioacoustic AI 的真正挑戰，是讓地方巡護員、知識持有者與社群組織能共同決定：哪些聲音值得長期追蹤？哪些聲音在外人耳中只是背景，在地方經驗裡卻是季節或棲地健康的重要訊號？哪些位置可以布設裝置、哪些位置不應被長期錄音？這些決定不只是倫理附加條款，而會直接改變模型看見——或者說聽見——的世界。

AI 很會分類，但不一定懂得何時閉嘴

產品開發者很容易沉迷於精度指標，彷彿模型的世界裡只要 top-1 accuracy 上升，一切都在進步。可是在野外聲景裡，問題遠比實驗室複雜。不同地區的背景噪音、雨聲條件、設備品質與多物種交疊，會讓模型表現大幅波動。更重要的是，有些地方知識並不是「某種鳥在某秒出現」這樣的單點事件，而是整個聲場的節律改變、不同物種何時一起出現、某種沉默本身是否有意義。

這說明 AI 在這裡最適合的角色，可能不是取代人耳，而是放大人耳能處理的尺度。它可以幫忙過濾大量資料、提醒可能異常、縮短檢索時間，但不能自動奪走詮釋權。真正成熟的系統，應該知道自己何時有把握、何時沒把握、何時需要回到在地聽者那裡重新確認。換句話說，好的模型不只是很會說話，也懂得在不確定時閉嘴。

邊緣運算與資料治理，決定監測是合作還是滲透

聲音監測還牽涉到另一個政治問題：資料流向。若所有錄音都直接上傳遠端平台，由外部團隊保存、分析與再利用，那麼生態監測就可能悄悄變成聲音資產的集中化。森林中的人聲、地名、儀式聲響，甚至某些敏感棲地資訊，都可能被一併收走。這在技術上也許很方便，在治理上卻相當危險。

因此，邊緣運算與在地資料控制變得重要。裝置若能在現場完成部分辨識，只上傳必要摘要；資料若能分級存取、由社群共同決定分享邊界；模型更新若能回饋到地方能力建構，而非只餵大公司資料庫，這些設計才讓「合作」二字有實質內容。否則再多參與式語言，也掩蓋不了資料權力集中這件事。

聲音也能成為雙向知識的橋

聲景監測之所以值得在原傳媒 AI 談，不是因為它新潮，而是因為它非常適合雙向知識。很多原住民族社群本就透過聲音理解環境：哪種鳥聲意味季節轉換、哪種蛙聲與降雨有關、什麼時候森林「太安靜」反而不正常。這些經驗和現代聲景生態學並非天生對立，反而有許多能互相照亮的地方。科學方法可以擴大時間尺度與監測密度，地方知識則幫助辨識什麼才值得被聽、被記、被警覺。

若這兩者真的能協作，AI 產品的價值就不只是一套分類器，而是一種讓地方保育更早發現問題、更有證據爭取資源、更能培養年輕人參與的基礎設施。那時候，聲景監測才不會只是把森林變成一個收音工程，而是讓森林的聲音真正進入治理。

森林會不會留下證詞，取決於我們是否願意學會聽

森林當然一直都在說話，只是現代制度不一定有耐心聽。Indigenous-led bioacoustic AI 的真正啟發在於，它讓我們重新思考：監測不是只有看見數據，也包括建立適當的聆聽關係。若 AI 只是更快地把聲音變成表格，它仍然可能錯過森林真正重要的訊息；若 AI 能和地方知識、邊緣運算與倫理治理一起工作，那麼它或許真的能讓森林留下某種可被理解的證詞。

問題從來不是機器能不能聽，而是我們願不願意讓聽見這件事，回到更負責任的知識結構裡。

模型準確率不是唯一成績

聲音分類模型即使在測試資料上表現良好，進入森林後仍會遇到雨聲、蟲鳴重疊、遠距離叫聲與設備差異。評估不應只報整體準確率，而要分物種檢視漏報與誤報，記錄不同季節、棲地與錄音器材的落差。對保育決策而言，把稀有物種漏掉與把常見聲音誤判成稀有物種，造成的後果並不相同。

硬體維護也是模型的一部分。麥克風受潮、電池衰退、儲存空間不足或時間戳偏移，都可能讓後端分析失真。部署前應由巡護員與工程人員共同決定位置、檢查頻率與故障回報方式，並讓現場能看懂設備狀態。若每次維修都依賴外部團隊，所謂長期監測就只是延長的短期研究。

聲音資料也有權利邊界

錄音可能意外收進人聲、儀式、狩獵活動或敏感物種位置，因此不能把「環境聲音」預設為無主資料。專案應在採集前說明收音範圍、保存期限、可接受的二次用途與誰能下載原始檔；涉及文化敏感內容時，也要有停止分析、限制公開與刪除資料的程序。

模型標註尤其需要承認知識來源。地方名稱、季節判斷與物種關係若來自原住民族知識持有者，就不應在資料集發布時被簡化成免費標籤。授權條款、成果署名、商業使用與模型再訓練範圍，都要在合作開始前談清楚，並保留社群撤回特定資料的實際能力。

從小規模共同標註開始

較穩健的起點不是一次鋪設大量感測器，而是選擇少數由地方團隊認為重要、也能可靠辨識的聲音，建立共同標註手冊。每個標籤都應附上不確定情況與不可公開的界線，再用人工複核比較模型輸出。這個過程能提早看見分類系統是否忽略地方語彙與生態關係。

試點成效也要同時回答三件事：監測是否改善巡護判斷、資料權限是否真的可執行、維護成本是否符合長期資源。若模型只增加資料量，卻讓巡護員花更多時間修正錯誤，或迫使社群交出無法控制的原始錄音，就不算成功。AI 的價值應由生態與治理成果共同證明。

source-check notes｜人工審稿核對

• Conservation Biology｜Dynamic consent in participatory acoustic monitoring。人工核對重點：請確認文中對此機構、研究或政策內容的描述、年份、適用範圍與關聯性。
• University of Queensland｜Acoustic monitoring at Guanaba Indigenous Protected Area。人工核對重點：請確認文中對此機構、研究或政策內容的描述、年份、適用範圍與關聯性。
• Nature Ecology & Evolution｜Limits to accurate and generalizable soundscape monitoring。人工核對重點：請確認文中對此機構、研究或政策內容的描述、年份、適用範圍與關聯性。
• UNESCO｜Local, Indigenous and scientific knowledge for biodiversity。人工核對重點：請確認文中對此機構、研究或政策內容的描述、年份、適用範圍與關聯性。